简介：这是一本面向深度学习初学者的PyTorch系统性入门指南，聚焦从零构建神经网络能力，覆盖基础语法、核心机制与主流任务实践。全书以Numpy与PyTorch张量操作为起点，深入讲解Autograd自动求导、nn模块建模、数据加载工具（torchvision）、可视化（tensorboardX），并延伸至CNN图像分类、RNN/LSTM文本处理、VAE/GAN生成模型及人脸检测、迁移学习等工业级应用，每章均含可运行代码与原理剖析。资源为单文件PDF电子书，大小21.68MB，内容完整对应机械工业出版社2019年出版的《Python深度学习：基于PyTorch》纸质版，结构清晰、示例详实，适合自学打基础或作为课程补充材料。目前已有5668人学习下载，是初学者理解PyTorch底层逻辑、掌握深度学习全流程开发的高性价比入门读物。

1. 这不是一本“讲完就扔”的PyTorch书：它是一套可拆解、可复现、能答辩的毕设级工程方案包

你手头这份《Python深度学习：基于PyTorch》PDF，表面看是教材，实则是一套完整闭环的深度学习工程交付物——它不教你怎么“理解反向传播”，而是直接给你一个能跑通CIFAR-10分类、能调出ResNet特征图、能导出ONNX模型、能可视化注意力权重的可执行路径。我带过三届本科生毕设，最常听到的崩溃提问是：“老师，我照着教程跑通了，但换自己数据就报错”“模型训出来准确率52%，连baseline都打不过”“答辩时被问‘为什么用Adam不用RMSProp’，我只会背定义”。这本书的全部16章，本质上是在用16个真实项目模块，回答这三类问题：数据怎么喂得对、模型怎么调得稳、结果怎么验得硬。它面向的不是“想学AI”的泛泛读者，而是正在赶毕设DDL、要交完整代码+文档+演示视频、甚至要部署到树莓派或Jetson Nano上的实战者。书里第6章的CIFAR-10实现、第10章的迁移学习微调、第12章的风格迁移，全是学生答辩高频选题；附录A的PyTorch 0.4版本变更说明，至今仍是老项目维护的救命索引。这不是知识灌输，而是一份带注释的工程日志：每一行代码背后都有“为什么这么写”的上下文，每一个超参调整都对应着验证集曲线的拐点。接下来，我会把这本书从“教材目录”还原成“毕设方案”，告诉你如何把它拆成可交付的模块、避开哪些血泪坑、以及答辩时怎么把“我照着书做了”变成“我理解了设计权衡”。

2. 总体架构设计：三层结构与四个核心模块的职责划分

这本书的16章绝非线性堆砌，而是按工程交付逻辑组织为三层架构：底层基础支撑层（第1–4章）、中层算法能力层（第5–8章）、上层业务实现层（第9–16章）。这种分层不是为了好看，而是为了让你在毕设中能清晰划分工作边界——比如导师问“你的创新点在哪”，你就能明确指向“我在上层业务实现层中，将第12章的风格迁移模块与第10章的迁移学习策略结合，实现了针对小样本水墨画的数据增强新流程”。

2.1 底层基础支撑层：Numpy与PyTorch的共生关系

很多学生一上来就跳进torch.nn.Module，却卡死在tensor.shape和numpy.ndarray.shape的维度混乱上。这本书第1章用整整19页讲Numpy，不是凑字数，而是建立内存视图一致性。关键点在于：PyTorch的Tensor和Numpy的ndarray共享底层内存布局（当使用.numpy()或.from_numpy()时），这意味着：

• 数据预处理（如归一化、裁剪）用Numpy做更高效（避免GPU-CPU拷贝）
• 模型推理后结果用Numpy做可视化（Matplotlib原生支持ndarray）
• np.random.seed()和torch.manual_seed()必须同步设置，否则数据增强结果不可复现

# 毕设中必须写的初始化代码（放在main.py最顶部） import numpy as np import torch import random def set_seed(seed=42): np.random.seed(seed) # 控制Numpy随机数 torch.manual_seed(seed) # 控制PyTorch CPU随机数 torch.cuda.manual_seed(seed) # 控制PyTorch GPU随机数 torch.cuda.manual_seed_all(seed) # 多GPU时生效 random.seed(seed) # 控制Python内置random set_seed(42) # 所有实验复现的基石

提示：这个set_seed()函数必须出现在你毕设代码的第一行可执行语句，且不能被任何import语句打断。我见过太多学生把import torch写在set_seed()前面，导致每次运行结果不同，最后答辩时现场跑不出论文里的准确率。

2.2 中层算法能力层：从原理到PyTorch原生实现的映射表

第5–8章是本书的“算法字典”，但它不罗列公式，而是建立原理→PyTorch API→调试信号的映射。例如第5章讲Dropout正则化，不只说“防止过拟合”，而是明确指出：

• nn.Dropout(p=0.5)在训练模式下会随机置零50%神经元，但在model.eval()时自动失效（这是学生最容易忘的！）
• 如果你在验证阶段手动调用model.train()，Dropout会意外激活，导致val_loss剧烈波动
• 真实调试信号：训练loss持续下降但val_loss在某个epoch后突然上升，且上升幅度与Dropout率正相关 → 检查是否漏了model.eval()

再如第6章卷积层，它把抽象的“步幅”“填充”翻译成可调试的张量形状变化：

# 假设输入图像为 [1, 3, 224, 224] (batch, channel, height, width) conv = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=2, padding=1) x = torch.randn(1, 3, 224, 224) print(f"输入形状: {x.shape}") # torch.Size([1, 3, 224, 224]) y = conv(x) print(f"输出形状: {y.shape}") # torch.Size([1, 64, 112, 112]) # 计算逻辑：H_out = floor((H_in + 2*padding - kernel_size) / stride) + 1 # 即：(224 + 2*1 - 3) / 2 + 1 = 112

这个计算不是让你背公式，而是当你发现输出尺寸不对时，能立刻反推是stride设错了还是padding漏写了。

2.3 上层业务实现层：模块化封装与接口契约

第9–16章的每个案例（人脸检测、机器翻译、风格迁移）都不是独立脚本，而是可插拔的模块。以第10章迁移学习为例，它定义了清晰的接口契约：

• 输入：一个data_dir路径，内含train/和val/子目录，每类一个文件夹
• 输出：一个fine_tuned_model.pth文件 +class_names.json标签映射
• 中间产物：best_model_weights.pth（早停保存的最佳权重）

这种契约思维直接对应毕设验收标准。你的答辩PPT不必说“我用了ResNet50”，而要说：“我实现了第10章定义的迁移学习模块，输入符合ImageFolder规范的数据集，输出包含可加载的模型权重、类别映射文件、以及训练过程的tensorboard日志，所有接口与书中第10.4.5节的train_model()函数签名完全一致”。

2.4 四个核心模块的职责边界与协作流

全书隐含四个可复用的核心模块，它们构成毕设的骨架：

这些模块不是概念，而是书中代码的物理存在。比如Trainer模块，第3.2.5节的训练循环代码可以直接作为你毕设trainer.py的基类：

# 书中第3.2.5节精简版（已适配PyTorch 1.13+） def train_model(model, dataloaders, criterion, optimizer, num_epochs=25, device='cuda'): since = time.time() best_acc = 0.0 for epoch in range(num_epochs): print(f'Epoch {epoch+1}/{num_epochs}') print('-' * 10) # 每个epoch包含训练和验证阶段 for phase in ['train', 'val']: if phase == 'train': model.train() # 设置为训练模式 else: model.eval() # 设置为评估模式 running_loss = 0.0 running_corrects = 0 # 迭代数据 for inputs, labels in dataloaders[phase]: inputs = inputs.to(device) labels = labels.to(device) # 梯度清零 optimizer.zero_grad() # 前向传播 with torch.set_grad_enabled(phase == 'train'): outputs = model(inputs) _, preds = torch.max(outputs, 1) loss = criterion(outputs, labels) # 反向传播 + 优化 if phase == 'train': loss.backward() optimizer.step() running_loss += loss.item() * inputs.size(0) running_corrects += torch.sum(preds == labels.data) epoch_loss = running_loss / len(dataloaders[phase].dataset) epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset) print(f'{phase} Loss: {epoch_loss:.4f} Acc: {epoch_acc:.4f}') # 深度复制最佳模型 if phase == 'val' and epoch_acc > best_acc: best_acc = epoch_acc best_model_wts = copy.deepcopy(model.state_dict()) time_elapsed = time.time() - since print(f'Training complete in {time_elapsed // 60:.0f}m {time_elapsed % 60:.0f}s') print(f'Best val Acc: {best_acc:4f}') # 加载最佳权重 model.load_state_dict(best_model_wts) return model

这段代码的价值在于：它把“训练一个模型”这个模糊任务，分解为可测量、可中断、可复现的步骤。你在毕设中只需替换model、dataloaders、criterion，就能获得一个符合学术规范的训练器。这才是工程化思维。

3. 关键模块实现：从CIFAR-10分类到风格迁移的代码级落地

现在我们聚焦三个毕设高频选题：CIFAR-10图像分类（第6章）、迁移学习微调（第10章）、神经网络风格迁移（第12章）。不讲原理，只讲如何把书中的代码变成你毕设里可运行、可调试、可展示的模块。重点不是“怎么写”，而是“为什么这样写”——每一行代码都对应一个答辩时可能被问到的设计决策。

3.1 CIFAR-10多分类：从数据加载到模型评估的端到端链路

第6.5节的CIFAR-10实现是毕设入门首选，但学生常犯的错误是直接复制粘贴，导致在自己数据上失败。关键在于理解数据管道的三个断点：

断点1：数据加载与标准化的设备一致性

CIFAR-10原始像素值是[0,255]，但PyTorch模型期望[0,1]或标准化后的值。书中第4.3.1节transforms.Normalize的均值和标准差不是随便写的：

# 书中第6.5.2节的标准做法（必须用CIFAR-10官方统计值） transform_train = transforms.Compose([ transforms.RandomHorizontalFlip(), # 数据增强 transforms.ToTensor(), # 转为[0,1]范围的tensor transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)) # CIFAR-10均值/标准差 ]) # 错误示范：用自己的数据计算均值（会导致模型性能暴跌） # transform_train = transforms.Normalize( # tuple(np.mean(train_data, axis=(0,1,2))/255), # tuple(np.std(train_data, axis=(0,1,2))/255) # )

注意：Normalize的参数必须是CIFAR-10官方统计值（0.4914等），这是模型预训练时使用的分布。如果你用自己的数据计算，相当于让模型在“陌生分布”上推理，准确率会掉10%以上。答辩时被问“为什么用这个数值”，你就答：“这是CIFAR-10数据集的全局均值和标准差，确保输入分布与预训练权重的期望分布一致”。

断点2：网络构建中的通道数陷阱

第6.5.3节构建网络时，nn.Conv2d的in_channels必须严格匹配输入数据的通道数。CIFAR-10是RGB三通道，所以：

# 正确：输入通道为3 self.conv1 = nn.Conv2d(3, 6, 5) # 3是CIFAR-10的通道数 # 错误：如果误写为1（灰度图），模型会报错 # self.conv1 = nn.Conv2d(1, 6, 5) # RuntimeError: Given groups=1, weight of size [6, 1, 5, 5], expected input[1, 3, 32, 32]

这个错误在你换自己的数据时极易发生。解决方案是：在DataLoader中打印inputs.shape，确认[batch, channels, height, width]的channels维度。

断点3：评估阶段的模型模式切换

第6.5.5节测试模型时，必须调用model.eval()，否则nn.Dropout和nn.BatchNorm2d会行为异常：

# 书中第6.5.5节的关键代码（务必保留） model.eval() # 关键！关闭dropout和bn的训练行为 with torch.no_grad(): # 关闭梯度计算，节省显存 for inputs, labels in dataloader_test: inputs = inputs.to(device) labels = labels.to(device) outputs = model(inputs) _, preds = torch.max(outputs, 1) # ... 计算准确率

如果漏掉model.eval()，测试准确率会比实际低5-15%，因为Dropout在测试时仍在随机丢弃神经元。

3.2 迁移学习微调：冻结层、修改分类器与学习率分组的实操细节

第10章是毕设进阶核心。学生知道“要用预训练模型”，但不知道哪几层该冻结、分类器怎么改、学习率怎么设。书中第10.4.3节给出了具体操作，但没解释背后的工程权衡。

冻结策略：为什么只冻结features层？

以ResNet18为例，书中第10.4.2节加载models.resnet18(pretrained=True)后，通常冻结所有层：

# 书中第10.4.2节的冻结方式（推荐用于小数据集） model_ft = models.resnet18(pretrained=True) for param in model_ft.parameters(): param.requires_grad = False # 冻结所有参数 # 但更精细的做法是：只冻结features，放开classifier（书中第10.4.3节） model_ft = models.resnet18(pretrained=True) # 冻结features部分（前10层） for param in model_ft.features.parameters(): param.requires_grad = False # 只训练classifier（最后一层） model_ft.classifier[6] = nn.Linear(model_ft.classifier[6].in_features, num_classes)

选择依据：

• 如果你的数据集<1000张/类，用全冻结+新分类器（书中第10.4.3节做法）
• 如果你的数据集>5000张/类，用部分冻结+微调最后2层（需修改书中代码）

分类器改造：nn.Linear的输入特征数必须动态获取

书中第10.4.3节写model_ft.fc = nn.Linear(512, num_classes)，但512不是魔法数字，而是ResNet18的fc层输入特征数。正确做法是动态获取：

# 书中代码的健壮写法（适配任意模型） model_ft = models.resnet18(pretrained=True) num_ftrs = model_ft.fc.in_features # 动态获取，不是硬编码512 model_ft.fc = nn.Linear(num_ftrs, num_classes) # 修改分类器

这样当你换成VGG16时，num_ftrs自动变成4096，无需手动改数字。

学习率分组：为什么fc层用10倍学习率？

书中第10.4.4节用optim.SGD(model_ft.parameters(), lr=0.001)，但更优实践是分组学习率：

# 书中未提但工程必备：为新层设置更高学习率 params_to_update = [] for name, param in model_ft.named_parameters(): if param.requires_grad == True: params_to_update.append(param) # 为fc层设置10倍学习率（书中第10.4.4节的升级版） optimizer_ft = optim.SGD([ {'params': model_ft.fc.parameters(), 'lr': 0.01}, # 新层，大胆学 {'params': model_ft.layer4.parameters(), 'lr': 0.001}, # 最后残差块，小步调 ], momentum=0.9)

理由：新分类器从零开始，需要更大步长；而layer4已具备通用特征，只需微调。

3.3 神经网络风格迁移：内容损失、风格损失与梯度更新的协同机制

第12.2节风格迁移是毕设炫技首选，但学生常卡在“生成图全是噪点”。根本原因是没理解损失函数的权重平衡和优化目标的本质。

内容损失 vs 风格损失：权重比决定输出倾向

书中第12.2.1–12.2.2节定义了两种损失，但没给出典型权重比。实践中：

• content_weight : style_weight = 1 : 10^6是常用起点（书中第12.2.3节示例值）
• 如果输出图内容失真（如人脸变形），增大content_weight
• 如果输出图风格过强（如油画感淹没内容），减小style_weight

# 书中第12.2.3节的损失计算（关键参数） content_weight = 1 style_weight = 1e6 # 100万！这是风格迁移的玄学起点 content_loss = content_weight * torch.mean((content_features - target_features) ** 2) style_loss = style_weight * torch.mean((style_gram - target_gram) ** 2) total_loss = content_loss + style_loss

玄学经验：style_weight必须是content_weight的10^5~10^6倍，否则风格特征无法主导优化方向。这个比例不是数学推导，而是大量实验的血泪总结。

优化目标：为什么用L-BFGS而不是SGD？

书中第12.2.3节用optim.LBFGS优化输入图像，而非常规的optim.SGD。原因：

• SGD优化的是网络权重，而风格迁移优化的是输入图像像素值（一个224×224×3的张量）
• L-BFGS是二阶优化器，对高维、平滑的目标函数（如风格损失）收敛更快
• 书中用input_img.requires_grad = True，然后优化这个张量，这是反直觉但关键的设计

# 书中第12.2.3节的核心（理解这个才能答辩） input_img = content_img.clone().requires_grad_(True) # 优化对象是图像本身！ optimizer = optim.LBFGS([input_img]) # 不是优化model.parameters() def closure(): optimizer.zero_grad() features = model(input_img) # 前向传播得到特征 # 计算content_loss和style_loss... total_loss.backward() # 梯度回传到input_img return total_loss for i in range(300): optimizer.step(closure) # 更新input_img的像素值

答辩时被问“为什么优化图像而不是权重”，你就答：“因为风格迁移的目标是生成一张新图像，其内容匹配内容图、风格匹配风格图，所以优化变量是输出图像的像素值，而非网络参数”。

4. 避坑指南：PyTorch毕设中最容易翻车的5个致命点

带毕设多年，我整理出学生在使用这本书做项目时，最高频、最致命、最影响答辩通过率的5个坑。每个坑都按“现象→原因→解决”展开，全是血泪经验，不是理论空谈。

4.1 现象：训练loss为nan，且从第一个batch就开始

原因：学习率过大 + 损失函数数值不稳定。书中第5.5节提到交叉熵损失对logits敏感，但没强调nn.CrossEntropyLoss内部已包含softmax，如果你在模型输出后再加nn.Softmax，就会导致logits过大，exp后溢出为inf，log后为nan。
解决：

• 检查模型最后一层：不要有nn.Softmax，nn.CrossEntropyLoss会自动处理
• 在Trainer模块中加入nan检查（书中第3.2.5节可扩展）：

# 在训练循环中插入（第3.2.5节升级版） if torch.isnan(loss): print(f"NaN loss detected at epoch {epoch}, batch {i}") print(f"Outputs max: {outputs.max().item()}, min: {outputs.min().item()}") print(f"Labels: {labels}") raise ValueError("NaN loss - check learning rate or model output")

4.2 现象：验证准确率远低于训练准确率（过拟合），但加了Dropout和L2正则仍无效

原因：数据增强太弱或验证集泄露。书中第10.3节数据增强只列了基础操作，但没强调验证集必须禁用所有增强。学生常把RandomHorizontalFlip等用在val_loader上，导致验证时看到“新数据”，模型表现虚高。
解决：

• 严格分离train_transform和val_transform，后者只含ToTensor和Normalize
• 用torchvision.datasets.ImageFolder时，确保val/目录是独立分割，非train/的子集

# 正确的验证集transform（书中第10.3节遗漏的关键） val_transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 无随机性！ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])

4.3 现象：模型在CPU上运行正常，换GPU后报错Expected all tensors to be on the same device

原因：书中第2.4节讲了tensor.to(device)，但没强调所有张量必须同设备。学生常把labels留在CPU，inputs送到GPU，导致loss计算时报错。
解决：

• 在Trainer模块中强制统一设备（书中第3.2.5节升级）：

# 书中第3.2.5节的健壮写法 for inputs, labels in dataloader: inputs = inputs.to(device) # 必须 labels = labels.to(device) # 必须！学生90%漏这里 # ... 后续计算

• 使用torch.device统一管理：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(f"Using device: {device}") # 答辩时展示设备信息

4.4 现象：tensorboard日志中loss曲线平滑，但实际模型预测全是同一类

原因：类别不平衡 + 损失函数选择错误。书中第5.5节讲了多种损失函数，但没强调对于严重不平衡数据（如医疗影像中病灶占比<1%），必须用Focal Loss或加权CrossEntropy。学生用默认nn.CrossEntropyLoss，模型学会“全预测多数类”来最小化loss。
解决：

• 计算类别权重：class_weights = 1 / torch.bincount(labels)
• 传入损失函数：criterion = nn.CrossEntropyLoss(weight=class_weights.to(device))
• 答辩时展示torch.bincount(labels)输出，证明你分析了数据分布

4.5 现象：模型导出为ONNX后，在OpenCV或TensorRT中推理结果与PyTorch不一致

原因：动态shape和自定义op不支持。书中第13章讲Caffe2迁移，但没提ONNX导出的陷阱。nn.AdaptiveAvgPool2d((1,1))在ONNX中可能被转为不兼容op。
解决：

• 导出时固定input shape：torch.onnx.export(model, dummy_input, "model.onnx", input_names=['input'], output_names=['output'], dynamic_axes={'input': {0: 'batch'}, 'output': {0: 'batch'}})
• 用onnx.checker.check_model()验证ONNX模型有效性
• 在PyTorch中用torch.jit.trace替代export（更稳定）：

# 书中未提但工业界标准做法 traced_model = torch.jit.trace(model, dummy_input) traced_model.save("model.pt") # 生成TorchScript，兼容性更好

5. 毕设验收与答辩：用这本书的框架构建你的交付物清单

答辩不是考你记住了多少公式，而是检验你是否真正把一本书变成了一个可交付的工程产品。我把这本书的16章，映射成毕设验收的5个硬性交付物，每个都对应书中具体章节和代码位置。你按这个清单准备，答辩官挑不出毛病。

5.1 交付物1：可复现的实验环境（对应第2章、附录A）

这不是“安装好PyTorch”就行，而是提供完整的环境快照。书中第2.2节讲安装，但没提版本锁定。你的requirements.txt必须精确到小版本：

# 你的requirements.txt（基于书中环境，但更严格） torch==1.13.1+cu117 torchvision==0.14.1+cu117 numpy==1.21.6 matplotlib==3.5.3 tensorboard==2.11.0 # 注意：+cu117表示CUDA 11.7，必须与你的GPU驱动匹配

答辩技巧：开场第一句话不是“我的题目是...”，而是“我的全部实验在NVIDIA RTX 3090 + CUDA 11.7环境下完成，环境配置见requirements.txt，所有命令可在README.md中一键复现”。这直接建立专业可信度。

5.2 交付物2：模块化代码结构（对应第3–4章、第10章）

拒绝单文件脚本！按书中模块划分，你的代码目录必须是：

my_project/ ├── data_utils.py # 对应第4章，封装DataLoader ├── models/ │ ├── __init__.py │ └── resnet_finetune.py # 对应第10.4.2节，迁移学习模型 ├── trainer.py # 对应第3.2.5节，训练循环 ├── evaluation/ │ ├── metrics.py # 对应第6.5.5节，准确率、混淆矩阵 │ └── visualize.py # 对应第4.4节，tensorboard集成 ├── configs/ │ └── cifar10_config.py # 超参集中管理，对应书中各章超参 └── main.py # 入口，调用所有模块

验收标准：答辩官随机打开trainer.py，能看到与书中第3.2.5节一致的train_model()函数签名；打开data_utils.py，能看到get_dataloader()函数，其参数与书中第4.2节utils.data.DataLoader一致。

5.3 交付物3：全流程实验报告（对应全书16章的实践节点）

这不是实验记录，而是用书中章节作为方法论锚点的报告。例如：

答辩技巧：把报告做成Jupyter Notebook，每一页标题都是“【书中第X章】+ 你的实现”，例如“【书中第6.5节】CIFAR-10 ResNet18微调结果”。答辩官一眼看到你严格遵循了权威方法论。

5.4 交付物4：可演示的交互式Demo（对应第12章、第9章）

书中第12章风格迁移、第9章人脸检测，天然适合做Demo。你的demo.py必须支持：

• 命令行参数：python demo.py --content image.jpg --style starry_night.jpg --output result.jpg
• Web界面（加分项）：用Gradio封装，一行代码启动：gr.Interface(fn=run_style_transfer, inputs=["image","image"], outputs="image").launch()

验收标准：答辩现场，你用手机拍一张照片，30秒内生成风格化结果。这比讲10分钟原理更有说服力。

5.5 交付物5：答辩PPT的“书中依据”页（对应全书前言、各章小结）

这是杀手锏。在PPT最后一页，放一张表格：

答辩技巧：当被质疑“为什么不用SGD”，你翻开PPT这一页，指给答辩官看：“书中第5.6.5节明确指出Adam在稀疏梯度场景下优于SGD，而我的文本分类任务正是稀疏梯度”。这证明你不是照搬，而是批判性吸收。

从那以后我每次带毕设，都强制学生在开题报告里写明“本项目第X模块，严格遵循《Python深度学习：基于PyTorch》第Y章第Z节的方法论，并在附录中提供书中原文截图与我的代码对比”。这招让答辩通过率从78%提升到96%，因为教授们看到的不是一个学生在“做项目”，而是一个工程师在“执行标准”。希望帮到你。

本文还有配套的精品资源，点击获取